理赔欺诈识别方法技术

本申请涉及一种理赔欺诈识别方法

【技术实现步骤摘要】
理赔欺诈识别方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种理赔欺诈识别方法
、
装置
、
计算机设备和存储介质
。

技术介绍

[0002]在一些业务数据的应用场景，例如应用车险业务数据识别车险欺诈风险时，需要寻找不同业务数据之间的关联性
。
然而，在进行历史案件数据存储时，通常会将历史案件数据按照其各自的类别分门别类地存储于数据库中
。
由于不同数据表之间互相独立存储，表和表之间很难通过主键或外键进行一一连接，最终形成多个数据孤岛，在进行关联关系查找时，查找的效率较低
。
[0003]相关技术中，采用图技术对独立存储的数据进行关联性查找，进而进行反欺诈风险识别，例如图神经网络技术
。
然而相关技术中的图神经网络仅使用了同构图数据，并没有考虑到更加复杂的异构图数据
。
有方法使用图节点嵌入技术对虚假数据进行判断，但仅考虑了一种关系，没有充分利用含有多种关联关系的异构图信息
。
该方法将每种关系视为同样重要的关系，无法区别重要关联关系，导致理赔欺诈事件识别的准确度较低
。
[0004]目前，对于相关技术中，理赔欺诈事件识别的准确度较低的问题，尚未提出有效的解决办法
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高理赔欺诈事件识别准确度的理赔欺诈识别方法
、
装置<br/>、
计算机设备和计算机可读存储介质
。
[0006]第一方面，本申请提供了一种理赔欺诈识别方法
。
所述方法包括：根据历史理赔事件数据，构建历史关联关系邻接矩阵组，其中，所述历史关联关系邻接矩阵组用于表征所述历史理赔事件中多个事件元素与每个所述历史理赔事件的关联关系；根据所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵，其中，所述历史重要关联关系邻接矩阵用于表征重要程度最高的所述事件元素下每个所述历史理赔事件的关联关系，所述重要程度用于表征所述事件元素在理赔事件欺诈识别的过程中的重要性；提取所述历史关联关系邻接矩阵组的历史特征向量；根据所述历史重要关联关系邻接矩阵以及所述历史特征向量，构建理赔欺诈识别模型；将待预测理赔事件数据输入所述理赔欺诈识别模型，根据所述理赔欺诈识别模型输出的风险值判断所述待预测理赔事件是否为理赔欺诈事件
。
[0007]在其中一个实施例中，根据历史理赔事件数据，构建历史关联关系邻接矩阵组包括：
根据所述历史理赔事件数据，提取历史理赔事件关联关系图，其中，所述历史理赔事件关联关系图的节点为所述历史理赔事件的所述事件元素，所述历史理赔事件关联关系图的边用于表示所述事件元素之间的关联关系；根据所述历史理赔事件关联关系图，构建所述历史关联关系邻接矩阵组
。
[0008]在其中一个实施例中，所述历史关联关系邻接矩阵组包括同构关联关系邻接矩阵组和
/
或异构关联关系邻接矩阵组
。
[0009]在其中一个实施例中，根据所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵包括：抽选所述历史关联关系邻接矩阵组中包含第一特征的所述历史理赔事件，其中，所述第一特征用于表征重要程度最高的所述事件元素；将抽选的所述历史理赔事件进行关联关系提取，根据提取结果构建所述历史重要关联关系邻接矩阵
。
[0010]在其中一个实施例中，提取所述历史关联关系邻接矩阵组的历史特征向量包括：构建事件关联关系邻接矩阵，其中，所述事件关联关系邻接矩阵用于表征在各个所述事件元素下每个所述历史理赔事件之间的关联关系；根据所述事件关联关系邻接矩阵中的事件顺序对所述历史理赔事件数据进行排序；根据排序后的所述历史理赔事件数据提取所述历史关联关系矩阵的历史特征向量
。
[0011]在其中一个实施例中，根据排序后的所述历史理赔事件数据提取所述历史关联关系矩阵的历史特征向量包括：根据所述历史关联关系矩阵组，构建异构网络图，所述异构网络的节点用于表征所述异构网络图的对象，所述异构网络图的链接用于表征所述异构网络图的关系类型；将异构网络图输入至图节点嵌入模型，其中，图节点嵌入模型用于学习异构网络图的节点的结构关联信息，图节点嵌入模型的输出为低纬矩阵，低纬矩阵用于表征节点的历史特征向量的集合
。
[0012]在其中一个实施例中，将待预测理赔事件数据输入所述理赔欺诈识别模型包括：根据所述待预测理赔事件的关联关系图，构建待预测关联关系邻接矩阵组，其中，所述待预测关联关系邻接矩阵组用于表征所述待预测理赔事件中各个事件元素与每个所述待预测理赔事件的关联关系；根据重要程度最高的所述待预测关联关系邻接矩阵组，构建待预测重要关联关系邻接矩阵，其中，所述待预测重要关联关系邻接矩阵用于表征重要程度最高的所述事件元素下每个所述待预测事件的关联关系；提取所述待预测关联关系邻接矩阵组的待预测特征向量；将所述待预测重要关联关系邻接矩阵与所述待预测特征向量输入至所述理赔欺诈识别模型
。
[0013]第二方面，本申请还提供了一种理赔欺诈事件识别装置
。
所述装置包括：第一构建模块，用于根据历史理赔事件数据，构建历史关联关系邻接矩阵组，其中，所述历史关联关系邻接矩阵组用于表征所述历史理赔事件中各个事件元素与每个所述
历史理赔事件的关联关系；第二构建模块，用于根据重要程度最高的所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵，其中，所述历史重要关联关系邻接矩阵用于表征重要程度最高的所述事件元素下每个所述历史理赔事件的关联关系，所述重要程度用于表征所述事件元素在理赔事件欺诈识别的过程中的重要性；特征提取模块，用于提取所述历史关联关系邻接矩阵组的历史特征向量与所述历史重要关联关系邻接矩阵的第二特征向量；模型构建模块，用于根据所述历史重要关联关系邻接矩阵
、
所述历史特征向量以及所述第二特征向量，构建理赔欺诈识别模型；风险判断模块，用于将待预测理赔事件数据输入所述理赔欺诈识别模型，根据所述理赔欺诈识别模型输出的风险值判断所述待预测理赔事件是否为理赔欺诈事件
。
[0014]第三方面，本申请还提供了一种计算机设备
。
所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：根据历史理赔事件数据，构建历史关联关系邻接矩阵组，其中，所述历史关联关系邻接矩阵组用于表征所述历史理赔事件中各个事件元素与每个所述历史理赔事件的关联关系；根据重要程度最高的所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵，其中，所述历史重要关联关系邻接矩阵用于表征重要程度最高的所述事件元素下每个所述历史理赔事件的关联关系；提取所述历史关联关系邻接矩阵组的历史特征向量与所述历史重要关联关系邻接矩阵的第二特征向量；根据所述历史关联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种理赔欺诈识别方法，其特征在于，包括：根据历史理赔事件数据，构建历史关联关系邻接矩阵组，其中，所述历史关联关系邻接矩阵组用于表征所述历史理赔事件中多个事件元素与每个所述历史理赔事件的关联关系；根据所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵，其中，所述历史重要关联关系邻接矩阵用于表征重要程度最高的所述事件元素下每个所述历史理赔事件的关联关系，所述重要程度用于表征所述事件元素在理赔事件欺诈识别的过程中的重要性；提取所述历史关联关系邻接矩阵组的历史特征向量；根据所述历史重要关联关系邻接矩阵以及所述历史特征向量，构建理赔欺诈识别模型；将待预测理赔事件数据输入所述理赔欺诈识别模型，根据所述理赔欺诈识别模型输出的风险值判断所述待预测理赔事件是否为理赔欺诈事件
。2.
根据权利要求1所述的理赔欺诈识别方法，其特征在于，根据历史理赔事件数据，构建历史关联关系邻接矩阵组包括：根据所述历史理赔事件数据，提取历史理赔事件关联关系图，其中，所述历史理赔事件关联关系图的节点为所述历史理赔事件的所述事件元素，所述历史理赔事件关联关系图的边用于表示所述事件元素之间的关联关系；根据所述历史理赔事件关联关系图，构建所述历史关联关系邻接矩阵组
。3.
根据权利要求1所述的理赔欺诈识别方法，其特征在于，所述历史关联关系邻接矩阵组包括同构关联关系邻接矩阵组和
/
或异构关联关系邻接矩阵组
。4.
根据权利要求1所述的理赔欺诈识别方法，其特征在于，根据所述历史关联关系邻接矩阵组，构建历史重要关联关系邻接矩阵包括：抽选所述历史关联关系邻接矩阵组中包含第一特征的所述历史理赔事件，其中，所述第一特征用于表征重要程度最高的所述事件元素；将抽选的所述历史理赔事件进行关联关系提取，根据提取结果构建所述历史重要关联关系邻接矩阵
。5.
根据权利要求1所述的理赔欺诈识别方法，其特征在于，提取所述历史关联关系邻接矩阵组的历史特征向量包括：构建事件关联关系邻接矩阵，其中，所述事件关联关系邻接矩阵用于表征在各个所述事件元素下每个所述历史理赔事件之间的关联关系；根据所述事件关联关系邻接矩阵中的事件顺序对所述历史理赔事件数据进行排序；根据排序后的所述历史理赔事件数据提取所述历史关联关系矩阵的历史特征向量
。6.
根据权利要求5所述的理赔欺诈识别方法，其特征在于，根据排序后的所述历史理赔事件数据提取所述历史关联关系矩阵的历史特征向量包括：根据所述历史关...

【专利技术属性】
技术研发人员：张泷，陈修齐，潘怡君，吴迪，那崇宁，
申请(专利权)人：之江实验室，
类型：发明
国别省市：